国产三级国产精品国产普男人,九九这里只有精品

基于非凸包的灌注區(qū)包絡(luò)自動(dòng)擬合方法[其他][其他]

在微觀驅(qū)替實(shí)驗(yàn)中，往往利用玻璃刻蝕模型來觀察油水在巖心孔隙中的運(yùn)動(dòng)過程。對(duì)實(shí)驗(yàn)中采集到的微觀驅(qū)替序列圖進(jìn)行分析研究，能夠?qū)︱?qū)替效果進(jìn)行定量計(jì)算。針對(duì)微觀驅(qū)替序列圖中灌注區(qū)數(shù)量不固定、形態(tài)特征不規(guī)則、圖像數(shù)量多等問題，提出了一種基于非凸包的灌注區(qū)包絡(luò)自動(dòng)擬合方法。即先對(duì)灌注區(qū)點(diǎn)集進(jìn)行邊緣提取，再對(duì)灌注區(qū)進(jìn)行聚類分析，最后采用非凸包算法對(duì)每個(gè)灌注區(qū)提取包絡(luò)。結(jié)果顯示采用該方法得到的波及系數(shù)比傳統(tǒng)凸包算法具有更高的精確性，并可實(shí)現(xiàn)包絡(luò)擬合的自動(dòng)化，具有比較高的應(yīng)用價(jià)值。

發(fā)表于：12/16/2020

公路視頻實(shí)時(shí)車輛檢測(cè)分類與車流量統(tǒng)計(jì)算法[模擬設(shè)計(jì)][智能交通]

公路視頻實(shí)時(shí)車輛檢測(cè)分類與車流量統(tǒng)計(jì)是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)經(jīng)典問題。傳統(tǒng)設(shè)置檢測(cè)帶法，易漏檢復(fù)檢，自動(dòng)化性不好。基于深度網(wǎng)絡(luò)的one-stage算法實(shí)時(shí)性好，但是經(jīng)常會(huì)把變化的背景、運(yùn)動(dòng)的非車輛物體納入其中，同時(shí)對(duì)光照變化敏感，夜間分類效果不好。因此，提出采用one-stage做目標(biāo)檢測(cè)，并不直接獲取分類結(jié)果，而是根據(jù)標(biāo)注框?qū)⑽矬w切割出來，去除背景，提升抗背景擾動(dòng)性能和分類效果；再送入一個(gè)經(jīng)過遷移學(xué)習(xí)的淺層神經(jīng)網(wǎng)絡(luò)；將分類輸出和目標(biāo)檢測(cè)網(wǎng)絡(luò)的位置輸出合并送入一個(gè)全圖匹配算法，進(jìn)行車流量統(tǒng)計(jì)。該方法在保障實(shí)時(shí)性的同時(shí)降低了漏檢和復(fù)檢率。

發(fā)表于：12/16/2020

基于AHP的威脅情報(bào)網(wǎng)站價(jià)值評(píng)估方法[其他][其他]

威脅情報(bào)的采集是情報(bào)搜集工作中至關(guān)重要的一個(gè)環(huán)節(jié)，威脅情報(bào)網(wǎng)站是其重要載體。首先確定了威脅情報(bào)的價(jià)值特性，然后討論了利用層次分析法確定諸多模糊聚類因子的權(quán)重，并且應(yīng)用模糊綜合評(píng)價(jià)方法建立了模糊綜合評(píng)價(jià)方法的兩級(jí)模型，從而得到對(duì)威脅情報(bào)網(wǎng)站的客觀評(píng)估，方便用戶在搜集信息時(shí)進(jìn)行權(quán)衡。與其他方法相比該方法評(píng)價(jià)結(jié)果更具準(zhǔn)確性，具有較大的現(xiàn)實(shí)意義和應(yīng)用前景。

發(fā)表于：12/16/2020

基于改進(jìn)LeNet-5的形狀類似物體識(shí)別方法[人工智能][工業(yè)自動(dòng)化]

針對(duì)深度學(xué)習(xí)在對(duì)外形類似物體的識(shí)別上存在著識(shí)別精度低、耗時(shí)長(zhǎng)等問題，提出基于改進(jìn)的LeNet-5的識(shí)別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，將卷積層變?yōu)殡p層非對(duì)稱卷積使網(wǎng)絡(luò)有更好的特征提取能力；通過批量歸一化提高網(wǎng)絡(luò)泛化能力；采用全局平均池化替代原Flatten層，用于克服傳統(tǒng)全連接層參數(shù)多、耗時(shí)長(zhǎng)的缺點(diǎn)；通過對(duì)訓(xùn)練集進(jìn)行增廣增加訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明，改進(jìn)LeNet-5網(wǎng)絡(luò)的訓(xùn)練精度達(dá)到91%，識(shí)別形狀類似物體的精度為87%，且能在較少迭代次數(shù)內(nèi)收斂，這些指標(biāo)均顯著優(yōu)于原網(wǎng)絡(luò)。

發(fā)表于：12/16/2020

卷積神經(jīng)網(wǎng)絡(luò)識(shí)別地基云圖的數(shù)據(jù)庫建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖相關(guān)研究時(shí)，建立云圖樣本庫是第一步，也是非常重要的一步。首先，通過數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫；接著，對(duì)三個(gè)樣本庫圖像的分辨率、噪聲、數(shù)量等問題進(jìn)行了分析；然后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對(duì)樣本庫進(jìn)行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對(duì)增強(qiáng)后的數(shù)據(jù)集進(jìn)行云識(shí)別分類驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，利用本文方法進(jìn)行增強(qiáng)數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對(duì)小樣本數(shù)據(jù)識(shí)別率不高

發(fā)表于：12/16/2020

基于Lucene的中文是非問答系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][其他]

針對(duì)中文是非問句，設(shè)計(jì)并實(shí)現(xiàn)了基于Lucene的問答系統(tǒng)，主要包括問句預(yù)處理、索引創(chuàng)建和答案整理三部分。問句預(yù)處理部分，引入句法成分權(quán)重和命名實(shí)體權(quán)重改進(jìn)TextRank算法，得到一種提取問句核心詞的方法。在索引創(chuàng)建部分，針對(duì)本地的多源數(shù)據(jù)進(jìn)行文檔融合創(chuàng)建索引，降低數(shù)據(jù)多樣性帶來的復(fù)雜度。在答案整理部分，對(duì)查詢索引結(jié)果進(jìn)行答案判決，輸出肯定或否定含義的答案。實(shí)驗(yàn)結(jié)果表明，數(shù)據(jù)融合能有效減少索引創(chuàng)建耗時(shí)，改進(jìn)TextRank的核心詞提取方法準(zhǔn)確率明顯高于TextRank，系統(tǒng)具有較為不錯(cuò)的性能。

發(fā)表于：12/16/2020

基于FTM和CSI的單站目標(biāo)跟蹤研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

WiFi技術(shù)在定位跟蹤領(lǐng)域得到了迅速發(fā)展和應(yīng)用，不僅可以通過精細(xì)時(shí)間測(cè)量(FTM)協(xié)議獲得到達(dá)時(shí)間，還能利用信道狀態(tài)信息(CSI)估計(jì)到達(dá)角，為單站目標(biāo)跟蹤提供了十分有利的條件。針對(duì)單站情況下到達(dá)時(shí)間和到達(dá)角的非線性跟蹤問題，提出了一種簡(jiǎn)單有效的偏差補(bǔ)償卡爾曼濾波算法(BCKF)。該算法對(duì)非線性觀測(cè)方程進(jìn)行偽線性化，然后補(bǔ)償由偽線性化引起的估計(jì)偏差，實(shí)現(xiàn)更準(zhǔn)確的狀態(tài)估計(jì)。搭建WiFi測(cè)量平臺(tái)，并在室內(nèi)外兩種典型環(huán)境下進(jìn)行單站目標(biāo)跟蹤。實(shí)驗(yàn)結(jié)果表明，相較于其他非線性濾波算法，BCKF能以較低計(jì)算開銷實(shí)現(xiàn)更準(zhǔn)確的目標(biāo)跟蹤，在室內(nèi)外的80%跟蹤誤差分別不超過3.7 m和1.5 m。

發(fā)表于：12/16/2020

飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法研究[人工智能][智能交通]

針對(duì)飛機(jī)舵機(jī)電液伺服系統(tǒng)中PID控制器參數(shù)難以整定的問題，引入一種智能PID控制方法。該方法結(jié)合了粒子群算法和PID控制器的優(yōu)點(diǎn)，并利用蜂群算法的選擇策略對(duì)粒子群算法進(jìn)行優(yōu)化，適應(yīng)了飛機(jī)舵機(jī)電液伺服系統(tǒng)非線性動(dòng)態(tài)控制環(huán)境的要求。實(shí)驗(yàn)結(jié)果表明，飛機(jī)舵機(jī)電液伺服系統(tǒng)智能PID控制方法能夠達(dá)到系統(tǒng)控制性能指標(biāo)要求，相較于傳統(tǒng)PID控制器具有更良好的跟蹤效果。

發(fā)表于：12/16/2020

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究[人工智能][其他]

織物瑕疵檢測(cè)是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測(cè)方法檢測(cè)效率低，勞動(dòng)強(qiáng)度大。因此，針對(duì)傳統(tǒng)檢測(cè)方法存在的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實(shí)現(xiàn)織物瑕疵檢測(cè)。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測(cè)的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問題。其次，在測(cè)試過程中，提出對(duì)大尺度圖片進(jìn)行有重疊的分割，然后對(duì)分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來實(shí)現(xiàn)大尺度圖片的瑕疵檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測(cè)速度快、檢測(cè)精度高等優(yōu)勢(shì)。

發(fā)表于：12/16/2020

人工智能基礎(chǔ)軟硬件架構(gòu)的關(guān)鍵技術(shù)研究[人工智能][通信網(wǎng)絡(luò)]

針對(duì)當(dāng)前人工智能技術(shù)在軍用領(lǐng)域的應(yīng)用問題和難點(diǎn)，研究基于深度學(xué)習(xí)技術(shù)的軍用軟硬件架構(gòu)設(shè)計(jì)方法，并且結(jié)合業(yè)內(nèi)主流的軟硬件基礎(chǔ)架構(gòu)，分析在軍事應(yīng)用中涉及的關(guān)鍵技術(shù)和解決思路。通過對(duì)深度學(xué)習(xí)模型壓縮轉(zhuǎn)化、數(shù)據(jù)增強(qiáng)和分布式訓(xùn)練等軟硬件架構(gòu)的關(guān)鍵技術(shù)研究，設(shè)計(jì)構(gòu)建了一站式人工智能開發(fā)平臺(tái)、嵌入式邊緣智能計(jì)算平臺(tái)，對(duì)軍用人工智能提供端到端的訓(xùn)練、部署和測(cè)試支撐。該研究可為未來智能無人作戰(zhàn)系統(tǒng)提供軟硬協(xié)同的智能計(jì)算解決方案。

發(fā)表于：12/16/2020

基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別[人工智能][其他]

提出了一種基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別方法。該方法基于Unet模型結(jié)構(gòu)，運(yùn)用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息。改進(jìn)P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101，在提高巖屑顆粒識(shí)別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量。該模型采用了焦點(diǎn)損失函數(shù)，在一定程度上解決巖屑顆粒類別不平衡的問題，同時(shí)運(yùn)用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測(cè)的時(shí)間。實(shí)驗(yàn)結(jié)果表明，改進(jìn)P-Unet模型得到的識(shí)別準(zhǔn)確率對(duì)比同類先進(jìn)算法有一定的提升，對(duì)巖屑顆粒識(shí)別的結(jié)果更加準(zhǔn)確。

發(fā)表于：12/16/2020

基于GANs無監(jiān)督回歸三維參數(shù)化人臉模型[人工智能][其他]

針對(duì)神經(jīng)網(wǎng)絡(luò)回歸訓(xùn)練過程中三維人臉數(shù)據(jù)稀缺的問題，提出了基于生成對(duì)抗網(wǎng)絡(luò)(GANs)回歸三維參數(shù)化人臉模型(3DMM)的無監(jiān)督學(xué)習(xí)方式。首先利用GANs的對(duì)抗生成訓(xùn)練使生成器回歸的3DMM參數(shù)符合真實(shí)感人臉形狀的參數(shù)分布。隨后將生成的三維人臉網(wǎng)格渲染成二維圖片，利用身份編碼器對(duì)輸入人臉及渲染人臉分別提取身份特征向量，通過不斷縮小向量之間的距離使得生成的三維人臉網(wǎng)格靠近輸入人臉的身份特征。實(shí)驗(yàn)結(jié)果表明，該方法在重建結(jié)果頂點(diǎn)位置準(zhǔn)確性上相對(duì)于現(xiàn)有的方法有明顯的提升，且擁有較好的RMSE值，能夠較好應(yīng)用于三維人臉重建任務(wù)。

發(fā)表于：12/16/2020

基于二倍體顯性機(jī)制的透視變換矩陣參數(shù)優(yōu)化[其他][其他]

圖像拼接的基礎(chǔ)是將所有待拼接的圖像轉(zhuǎn)換到同一平面上，而透視變換矩陣描述的就是一個(gè)平面到另一個(gè)平面的投影變換，反映了圖像坐標(biāo)點(diǎn)之間的一一對(duì)應(yīng)關(guān)系。但當(dāng)透視變換矩陣中參數(shù)精度較低時(shí)會(huì)導(dǎo)致圖像拼接效果不佳，拼接過程中會(huì)出現(xiàn)公共區(qū)域無法對(duì)接、有鬼影等現(xiàn)象。提出了一種基于二倍體顯性機(jī)制的DNA遺傳算法(AO方法)的矩陣參數(shù)優(yōu)化方案，AO方法在優(yōu)化效率上能以較快的速度和較高的精度搜索到問題的全局最優(yōu)解，從而提高透視變換矩陣參數(shù)的精度。實(shí)驗(yàn)結(jié)果顯示，所提出的方法能夠較好地優(yōu)化矩陣參數(shù)，符合期望目標(biāo)。

發(fā)表于：12/16/2020

智能化武器裝備標(biāo)準(zhǔn)體系框架研究[人工智能][安防電子]

近年來，隨著邊緣計(jì)算、深度學(xué)習(xí)等人工智能技術(shù)的迅速發(fā)展，基于人工智能技術(shù)的智能化武器裝備應(yīng)用日趨廣泛，這對(duì)智能化武器裝備的標(biāo)準(zhǔn)化工作提出了更高的要求。針對(duì)智能化武器裝備發(fā)展現(xiàn)狀進(jìn)行分析與研究，基于智能化武器裝備標(biāo)準(zhǔn)現(xiàn)狀及發(fā)展需求建立了智能化武器裝備標(biāo)準(zhǔn)體系框架。同時(shí)，根據(jù)智能化武器裝備特點(diǎn)和智能化戰(zhàn)爭(zhēng)需求對(duì)未來的標(biāo)準(zhǔn)研制工作提出了建議。

發(fā)表于：12/16/2020

基于機(jī)器學(xué)習(xí)的RTS游戲?qū)崟r(shí)勝率預(yù)測(cè)[其他][其他]

游戲勝負(fù)預(yù)測(cè)可用于自適應(yīng)游戲AI的設(shè)計(jì)，策略層面強(qiáng)化學(xué)習(xí)的反饋參數(shù)等。使用SC2LE公開的數(shù)據(jù)集，首先通過游戲時(shí)間、MMR和AMP指標(biāo)進(jìn)行數(shù)據(jù)預(yù)處理，得到質(zhì)量較高的數(shù)據(jù)集；然后使用pysc2解析，提取游戲數(shù)據(jù)；最后進(jìn)行特征分析，得到基礎(chǔ)特征和統(tǒng)計(jì)特征，完成游戲特征數(shù)據(jù)集的構(gòu)建。最終采用機(jī)器學(xué)習(xí)方法XGB分類模型,利用10次十折交叉驗(yàn)證法進(jìn)行模型評(píng)估與優(yōu)選。結(jié)果表明使用基礎(chǔ)特性與統(tǒng)計(jì)特性的組合，可以使得實(shí)時(shí)勝率預(yù)測(cè)準(zhǔn)確率在不同匹配對(duì)局情況下均超過80%。

發(fā)表于：12/16/2020